Yapay zekâ uzmanlığı olmadan kamera tabanlı görüntü denetim sistemi kur

Telefon, paketlenmiş ürün veya otomobil parçası olsun, kullandığımız her ürün bize, yani son tüketiciye ulaşmadan önce bir tür kalite denetiminden geçer. Bu işlem geleneksel olarak manuel kontrollerle veya basit kural tabanlı sistemlerle yapılmıştır. Bu yöntemler işe yarasa da genellikle yavaştır, tutarsız sonuçlar verir ve üretim arttıkça ölçeklendirilmesi zordur.

Kalite denetimi sürecini iyileştirmek için birçok sektör, makinelerin görüntüleri ve videoları anlamasına yardımcı olan yapay zekâ dalı bilgisayarlı görüye yöneliyor. Örneğin Ultralytics YOLO26 gibi görsel yapay zekâ modelleri, kusurları yüksek doğrulukla tespit etmeye, sınıflandırmaya ve konumlandırmaya yardımcı olabilir.

Gerçek üretim ortamlarında bu modeller, yüksek hızlı montaj hatlarından doğrudan alınan görüntüleri analiz etmek için kullanılabilir. Ürünler farklı aşamalardan geçerken endüstriyel kameralar onları izler ve sistem çizik, eksik parça veya hizalama hatası gibi sorunları kontrol eder. Bu, yüksek hacimli denetimi desteklerken kusur tespitini hızlandırır ve daha tutarlı hâle getirir.

Geçmişte bu sistemleri oluşturmak için birden fazla araç ve güçlü teknik uzmanlık gerekiyordu; bu da süreci karmaşık ve zaman alıcı hâle getiriyordu. Bilgisayarlı görüye yönelik uçtan uca yeni çözümümüz Ultralytics Platform, veri hazırlama, etiketleme, model eğitimi ve dağıtımını tek bir yerde bir araya getirerek bu süreci basitleştiriyor.

Bu makalede, derin yapay zekâ uzmanlığına ihtiyaç duymadan kamera tabanlı, kullanışlı görsel denetim sistemleri oluşturmak için Ultralytics Platform'u nasıl kullanabileceğini inceleyeceğiz. Hadi başlayalım!

Kalite kontrolde bilgisayarlı görünün rolü#

Ultralytics Platform'un denetim sistemleri oluşturmayı nasıl kolaylaştırdığını incelemeye başlamadan önce biraz geriye gidip bilgisayarlı görünün kalite denetimindeki rolünü anlayalım.

Denetim, ürünlerin kalite standartlarını karşılamasını ve kusursuz olmasını sağlayan üretim sürecinin temel bir parçasıdır. Ancak özellikle uzun vardiyalarda veya yüksek hacimli üretimde sonuçlar değişkenlik gösterebilir.

Denetimi daha güvenilir hâle getirmek için birçok sektör, üretim hattından alınan görüntüleri analiz edip kusurları belirlemek amacıyla makine görüsü olarak da bilinen bilgisayarlı görüden yararlanıyor. Bu sistemler, modellerin ve algoritmaların yüksek kaliteli etiketli görüntülerden örüntüler öğrendiği derin öğrenmeyi kullanır.

Model eğitimi sırasında modele hem normal ürünlerden hem de farklı kusur türlerinden örnekler gösterilir. Zaman içinde model bu örüntüleri kendi başına tanımayı öğrenir. Eğitildikten sonra model, çok sayıda ürünü denetleyebilir ve aynı ölçütleri tutarlı biçimde uygulayarak doğruluğu artırabilir.

Kalite denetiminde kullanılan yaygın bilgisayarlı görü görevleri#

Makine görüsü uygulamaları, farklı görsel görev türlerini destekleyebilen Ultralytics YOLO modelleri gibi bilgisayarlı görü modelleriyle mümkün olur. Otomatik denetim iş akışlarında bu görsel yapay zekâ görevlerinin nasıl kullanıldığına genel bir bakış:

• Görüntü sınıflandırma: Bu görev, “iyi” veya “kusurlu” gibi tek bir etiketi görüntünün tamamına atamak için kullanılır. Kusurların konumunu belirtmeden ürün kalitesi hakkında genel bir değerlendirme sunar.
• Nesne tespiti: Görüntüdeki kusurları belirlemeye ve sınırlayıcı kutular kullanarak konumlarını saptamaya yardımcı olur. Böylece çatlak, çizik veya eksik bileşen gibi sorunlar tespit edilip konumlandırılabilir.
• Örnek segmentasyonu: Nesne tespitinin bir adım ötesine geçerek tespit edilen her kusur için piksel düzeyinde maskeler tahmin eder. Bu, kusurların şeklini, boyutunu ve sınırlarını hassas biçimde analiz etmeyi sağlar.
• Nesne takibi: Ürünleri birden fazla kare boyunca izlerken, üretim hattında hareket eden öğeleri takip eder. Böylece tutarlılık korunur ve kusurların gözden kaçması önlenir.
• Yönlendirilmiş sınırlayıcı kutu (OBB) tespiti: Bu görev, nesneleri eksenlere hizalı kutular yerine döndürülmüş sınırlayıcı kutular kullanarak tespit eder. Kusurlar veya bileşenler farklı açılarda göründüğünde özellikle yararlıdır ve daha doğru konumlandırma sağlar.

Farklı sektörlerdeki kalite denetimi uygulamalarına bakış#

Bilgisayarlı görü, ürün kalitesini korumak, standartları karşılamak ve manuel denetim ihtiyacını azaltmak için birçok sektörde yaygın olarak kullanılır. Kusur tespiti, sınıflandırma, nesne tanıma, ölçüm ve anomali tespiti gibi temel işlevleri yerine getirir.

Şekil 1. Makine görüsü sistemleri kullanılarak ürünlerin tespit edilip izlenmesine örnek (Kaynak)

Uygulandığı gerçek dünya kullanım alanlarından bazı örnekler:

• Üretim: Yüzey kusuru tespiti, hat içi kusur tespiti için üretim hattındaki ürünlerin görüntülerini analiz ederek çizik, ezik, çatlak ve renk değişikliği gibi sorunları belirler. Ayrıca eksik parçaları veya montaj hatalarını gerçek zamanlı tespit ederek kesintisiz denetimi destekler.
• Otomotiv: Bilgisayarlı görü sistemleri, hizalamayı doğrulamak ve hasarı tespit etmek için motor parçalarını ve gövde panellerini analiz eder. Karmaşık şekillerin ve erişilmesi zor alanların denetlenmesinde özellikle etkilidir; hassas konumlandırma ve otomatik denetim için genellikle robotik sistemlerle birlikte çalışır.
• Elektronik ve yarı iletkenler: Bu sistemler, baskılı devre kartları (PCB'ler) gibi bileşenlerde lehim sorunları, mikro çatlaklar ve hasarlı devreler dâhil küçük kusurları tespit eder. Yüksek çözünürlüklü görüntü analiziyle, manuel denetimde çoğu zaman gözden kaçan çok ince kusurlar bile tespit edilebilir.
• Paketleme ve lojistik: Görsel sistemler barkodları tarar, ürün etiketlerini okur ve ambalaj kalitesini kontrol eder. Hataları azaltarak ürünlerin doğru biçimde paketlenmesini, mühürlenmesini ve sevkiyata hazır olmasını sağlar.
• Yiyecek ve içecek: Görüş kameraları veya görsel sensörlerle çalışan denetim sistemleri, ürünlerin görünüşünü analiz ederek uygun olmayan mühürleme, kontaminasyon riski, yanlış etiketleme veya görsel tutarsızlık gibi sorunları belirler ve kaliteyle güvenliğin korunmasına yardımcı olur.
• İlaç: Bilgisayarlı görü; katı yasal düzenleme standartlarına uyumu sağlamak ve ürün güvenliğini korumak amacıyla tabletleri, flakonları ve ambalajları çatlak, kontaminasyon, yanlış etiketleme veya dolum seviyesi tutarsızlıkları gibi kusurlara karşı denetlemek için kullanılır.

Ultralytics Platform ile görsel denetim iş akışlarını kolaylaştırma#

Ürünlerin farklı aşamalardan geçtiği ve kameraların denetim için sürekli görüntü aldığı bir üretim hattını düşün. Bu görüntüler; çizik, eksik parça veya hizalama hatası gibi kusurları kontrol etmek için kullanılır.

Şimdiye kadar bu tür denetim sistemlerini oluşturmak ve yönetmek için birden fazla araç ve hatırı sayılır teknik uzmanlık gerekiyordu.

Nitekim Ultralytics'te görsel yapay zekâ topluluğundan, bu sürecin ne kadar parçalı ve zaman alıcı olabileceğine dair sürekli geri bildirimler aldık. Yaygın darboğazlar arasında dağınık araçlar, karmaşık ortam kurulumu, verimsiz veri etiketleme iş akışları, model eğitimindeki gecikmeler ve dağıtım zorlukları yer alıyor. Bu geri bildirimler Ultralytics Platform'un şekillenmesinde önemli rol oynadı.

Şekil 2. Ultralytics Platform'a kısa bir bakış (Kaynak)

Ultralytics Platform ile tüm geliştirme ve dağıtım süreci tek bir yerden yönetilebilir. Ham veriler yüklenip etiketlenerek eğitim veri kümeleri oluşturulabilir; bu veri kümeleri daha sonra kusurları tespit edecek modelleri eğitmek için kullanılır. Modeller eğitildikten sonra, üretim hattından alınan yeni görüntüleri analiz etmek üzere dağıtılabilir ve performansı zaman içinde izlemek için yerleşik araçlardan yararlanılabilir.

Tüm iş akışını tek bir yerde bir araya getirmenin yanı sıra Ultralytics Platform, kullanımı kolay olacak şekilde tasarlanmıştır. Makine öğrenimi deneyimi sınırlı olan kullanıcılar bile fikir aşamasından üretime hızla geçebilir.

Görüntülerdeki kusurları etiketlemek için Ultralytics Platform'u kullanma#

Ultralytics Platform'un iş akışını nasıl bir araya getirdiğini gördüğümüze göre, veri yükleme ve kusur etiketlemeyle başlayarak görsel yapay zekâ hattının her aşamasında platformun nasıl kullanılacağını adım adım inceleyelim.

Ultralytics Platform'da denetim veri kümelerini yönetme#

İlk adım verileri platforma almaktır. Görüntüleri, videoları veya ZIP, TAR ya da GZ gibi veri kümesi arşivlerini yükleyebilirsin. YOLO ve COCO gibi yaygın veri kümesi biçimleri desteklenir; böylece mevcut veri kümelerini ek adımlar olmadan içe aktarabilirsin.

Topluluk tarafından paylaşılan veri kümelerini kullanarak daha hızlı da başlayabilirsin. Bu veri kümelerini inceleyip çalışma alanına klonlayabilir, sıfırdan başlamak yerine mevcut veriler üzerine inşa edebilirsin. Klonladıktan sonra kendi kullanım senaryona göre güncelleyip genişletebilirsin.

Çeşitli deneyler üzerinde çalışıyorsan veri kümelerini NDJSON dosyaları olarak içe aktararak yeniden kullanabilir, ek dönüştürme işlemlerine gerek kalmadan yeniden oluşturmalarını veya paylaşmalarını kolaylaştırabilirsin.

Veriler yüklendikten sonra platform bunları otomatik olarak hazırlar. Dosya biçimlerini denetler, açıklamaları işler, gerekirse görüntüleri yeniden boyutlandırır ve temel veri kümesi istatistiklerini oluşturur. Videolar eğitime uygun hâle gelmeleri için karelere bölünür; görüntüler ise daha kolay göz atma ve analiz için optimize edilir.

Ultralytics Platform destekli veri açıklama işlemi#

Veriler hazır olduğunda sıradaki adım veri açıklamadır. Modelin neyi tespit edeceğini öğrenebilmesi için kusurlar bu aşamada etiketlenir. Ultralytics Platform; nesne tespiti, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu tespiti gibi görevleri destekleyen yerleşik bir açıklama düzenleyicisi içerir.

Kullanım senaryona bağlı olarak sınırlayıcı kutu, çokgen veya kilit nokta gibi araçlarla verileri manuel olarak etiketleyebilirsin. İşleri hızlandırmak için platform yapay zekâ destekli etiketleme de sunar.

Örneğin SAM tabanlı akıllı açıklama, nesneleri basit tıklamalarla etiketlemene olanak tanır. Dâhil edilecek veya hariç tutulacak bölgeleri seçtiğinde sistem gerçek zamanlı bir maske oluşturur; gerekirse bu maske daha sonra ayarlanabilir.

Şekil 3. Ultralytics Platform içinde SAM destekli akıllı açıklama (Kaynak)

Ayrıca YOLO tabanlı akıllı açıklama, model tahminlerini kullanarak etiketleri otomatik olarak oluşturabilir. Bunlar gözden geçirilip iyileştirilebilir; böylece her şeyi manuel olarak etiketlemeden büyük veri kümeleri üzerinde çalışmak kolaylaşır.

Açıklama düzenleyicisi ayrıca sınıf yönetimi, açıklamaları düzenleme, klavye kısayolları ve geri alma ya da yineleme seçenekleri gibi özellikler içerir. Veri kümen büyüdükçe bunlar tutarlılığı korumayı ve açıklamaları gözden geçirmeyi kolaylaştırır.

Verileri etiketlerken platform, sınıf dağılımı ve açıklama sayıları gibi bilgiler sunar. Bunlar, eğitime geçmeden önce eksikleri belirlemeye, tutarsızlıkları gidermeye ve veri kümesi kalitesini artırmaya yardımcı olur.

Ultralytics Platform'da kusur tespiti için YOLO26 eğitimi#

Sıradaki adım, etiketlenmiş verileri kullanarak kusurları otomatik olarak tespit etmek üzere bir model eğitmektir. Ultralytics Platform; nesne tespiti, örnek segmentasyonu ve görüntü sınıflandırma gibi görevlerde kullanılabilen YOLO26 dâhil Ultralytics YOLO modellerinin eğitimini destekler.

Eğitim, eğitim işlerini tek bir yerden yapılandırabileceğin, çalıştırabileceğin ve izleyebileceğin birleşik bir panel üzerinden yönetilir. Başlamak için yüklediğin, platformda etiketlediğin, platformdaki herkese açık veri kümelerinden aldığın veya topluluktan klonladığın veri kümeleri arasından seçim yapabilirsin.

Seçim yapıldığında veri kümesi eğitim çalıştırmasına otomatik olarak bağlanır; böylece deneyleri takip etmek ve tutarlılığı korumak kolaylaşır.

Ardından dönem sayısı, yığın boyutu, görüntü boyutu ve öğrenme oranı gibi eğitim parametrelerini yapılandırabilirsin. Bu ayarlar modelin nasıl öğrendiğini belirler ve hem eğitim süresini hem de performansı doğrudan etkiler.

Eğitimi çalıştırma ve izleme#

Daha sonra eğitimi nasıl çalıştıracağını seçebilirsin. Platform, yönetilen GPU'larda bulut eğitimini, kendi donanımını kullanarak yerel eğitimi ve Google Colab gibi ortamlar üzerinden tarayıcı tabanlı iş akışlarını destekler.

Bulut üzerinde eğitim yaparken, küçük deneyler için RTX 2000 Ada ve RTX A4500 gibi çeşitli GPU seçenekleri, daha yoğun iş yükleri için RTX 4090 veya RTX A6000 ve büyük ölçekli eğitim için A100 ya da H100 gibi yüksek performanslı seçenekler arasından seçim yapabilirsin.

Eğitim başladığında ilerlemeyi doğrudan platform üzerinden izleyebilirsin. Kontrol paneli; kayıp eğrileri ve performans metrikleri gibi önemli ölçümlerin yanı sıra sistem kullanımını ve eğitim günlüklerini gerçek zamanlı olarak görmeni sağlar. Böylece modelin nasıl öğrendiğini kolayca anlayabilir ve olası sorunları erkenden belirleyebilirsin.

Şekil 4. Ultralytics Platform'u kullanarak eğitim ilerlemesini kolayca izleyebilirsin (Kaynak)

Birden fazla deney yürütürken platform; yapılandırmaları, veri kümelerini ve sonuçları tek bir yerde takip eder. Böylece farklı eğitim çalıştırmalarını karşılaştırabilir, kesinlik, duyarlılık ve mAP gibi metriklerle performansı değerlendirebilir ve dağıtım için en iyi performans gösteren modeli seçebilirsin.

Ultralytics Platform üzerinden bir görüntü işleme modelini dağıtma#

Eğitimden sonra sıradaki adım, dağıtıma geçmeden önce eğitilmiş modelin yeni ve daha önce görülmemiş verilerde nasıl performans gösterdiğini doğrulamaktır. Ultralytics Platform, modelleri herhangi bir kurulum yapmadan doğrudan tarayıcıda test etmeni sağlayan yerleşik bir Predict sekmesi içerir.

Görsel yükleyebilir, örnek veriler kullanabilir veya web kamerasıyla giriş yakalayabilirsin; sonuçlar görsel bindirmeler ve güven puanlarıyla anında görüntülenir. Böylece gerçek dünya sistemlerine entegre etmeden önce model performansını hızla kontrol edebilir ve sorunları belirleyebilirsin.

Model doğrulandıktan sonra kullanım senaryona bağlı olarak farklı seçeneklerle dağıtılabilir. Ultralytics Platform'un desteklediği model dağıtım seçeneklerine daha yakından bakalım:

• Paylaşımlı çıkarım: Bu seçenek, modele REST API üzerinden erişmeni sağlayarak uygulamalara veya iş akışlarına entegrasyonu kolaylaştırır. İsteklerin otomatik olarak en yakın kullanılabilir hizmete yönlendirildiği, birkaç temel bölgede çok kiracılı bir sistem üzerinde çalışır. Bu nedenle üretime geçmeden önce geliştirme, test ve daha hafif kullanımlar için uygundur.
• Özel uç noktalar: Üretim kullanımı için modeller, kendilerine ait işlem kaynaklarıyla özel uç noktalar olarak dağıtılabilir. Bunlar 43 küresel bölgede tek kiracılı hizmetler olarak çalışır ve son kullanıcılara daha yakın dağıtım yaparak gecikmeyi azaltmaya yardımcı olur. Ayrıca otomatik ölçeklendirme ve sıfıra ölçeklendirme özelliklerini destekleyerek kaynakların trafiğe göre otomatik olarak ayarlanmasını sağlar.
• Model dışa aktarımı: Modeller dışa aktarılabilir ve platform dışında yerel sistemlerde veya uç cihazlarda çalıştırılabilir. Platform; ONNX, TensorRT, OpenVINO, CoreML ve TensorFlow Lite dahil 17 biçimi destekler. Dışa aktarma seçenekleri, model boyutunu küçültmek ve farklı donanım ortamlarında çıkarım hızını artırmak için FP16 ve INT8 niceleme gibi optimizasyonları da destekler.

Ultralytics Platform kullanarak dağıtılmış modelleri izleme#

Görüntü işleme veya bilgisayarlı görü çözümünün yaşam döngüsü, model dağıtımıyla sona ermez. Bu durum, görüntü işleme denetim sistemleri için de geçerlidir. Model üretimde çalışmaya başladıktan sonra, koşullar değiştikçe güvenilir biçimde performans gösterdiğinden emin olmak için sürekli izlenmesi gerekir.

Ultralytics Platform, dağıtılmış modellerin performansına dair net bir görünüm sunan yerleşik bir izleme kontrol paneli sağlar. Tek bir arayüzden istek etkinliğini takip edebilir, günlükleri görüntüleyebilir ve her dağıtımın sağlık durumunu kontrol edebilirsin. Modellerin nasıl kullanıldığını ve zaman içinde nasıl davrandığını anlayabilirsin.

Kontrol paneli; toplam istek sayısı, hata oranları ve gecikme gibi önemli metrikleri içererek performansı ve yanıt hızını değerlendirmeni sağlar. Bu metrikler düzenli olarak güncellenir ve hem kullanım alışkanlıkları hem de sistem güvenilirliği hakkında bilgi sunar.

Yerleşik bir dünya haritası, isteklerin ve dağıtımların bölgeler arasındaki dağılımını gösterir. Birden fazla küresel konumda dağıtım desteği sunan bu görünüm, kullanımı coğrafi olarak takip etmene ve modellerin farklı ortamlardaki performansını anlamana yardımcı olur.

Şekil 5. Ultralytics Platform'da dağıtılmış modellerin izlenmesi (Kaynak)

Daha ayrıntılı analiz için her dağıtım; zaman damgaları, istek ayrıntıları ve hata mesajlarını içeren detaylı günlükler sunar. Günlükler önem derecesine göre filtrelenebilir; böylece sorunları ayıklamak ve arızaları hızla belirlemek kolaylaşır. Ayrıca sağlık kontrolleri, dağıtımın beklendiği gibi çalışıp çalışmadığını veya müdahale gerektirip gerektirmediğini gösteren gerçek zamanlı durum göstergeleri sağlar.

İzleme, optimizasyonda da önemli bir rol oynar. Girdi verileri, trafik veya kullanım alışkanlıkları değiştikçe performans farklılık gösterebilir. Metrikleri ve günlükleri takip ederek yüksek gecikme, artan hata oranları veya ölçeklendirme sınırlamaları gibi sorunları belirleyebilir ve tutarlı performansı korumak için harekete geçebilirsin.

Görüntü işleme çözümleri oluşturmak için Ultralytics Platform'u kullanmanın avantajları#

Görüntü işleme denetim sistemleri oluşturmak ve ölçeklendirmek için Ultralytics Platform'u kullanmanın temel avantajlarından bazıları şunlardır:

• Gerçek dünya kullanımına göre optimize edilmiştir: Otomatik ölçeklenen uç noktalar, uç dağıtımı ve model dışa aktarımı gibi özellikler, sistemin üretim ortamlarında güvenilir biçimde çalışmasını sağlar.
• Daha hızlı geliştirme döngüleri: Yerleşik araçlar ve varsayılan yapılandırmalar, ham veriden çalışan bir sisteme daha verimli biçimde geçmene yardımcı olur.
• Kullanım kolaylığı: Sezgisel arayüzler, kolaylaştırılmış iş akışları ve minimum kurulum gereksinimleri, platformu hem yeni başlayanlar hem de deneyimli kullanıcılar için erişilebilir kılar.
• Daha az manuel iş: Yapay zekâ destekli etiketleme ve otomatik veri işleme gibi özellikler, tekrarlayan işlere harcanan zamanı azaltır.
• Zaman içinde ölçeklenebilir: Gereksinimler değiştikçe yeni veriler ekleyip modelleri yeniden eğiterek sistemi güncelleyebilir; böylece yeni kusur türlerine, koşullara ve çok kameralı kurulumlara uyum sağlayabilirsin.

Önemli çıkarımlar#

Kamera tabanlı bir görüntü işleme denetim sistemi oluşturmak karmaşık olmak veya derin yapay zekâ uzmanlığı gerektirmek zorunda değil. Ultralytics Platform ile ham veriden çalışan bir sisteme geçebilir ve performansını tek bir yerde izleyebilirsin. Bu, denetim sistemlerinin gerçek dünya koşullarında oluşturulma, iyileştirilme ve işletilme süreçlerini kolaylaştırır.

Görüntü yapay zekâsı hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu keşfet. Bilgisayarlı görü projelerine başlamak için lisans seçeneklerimize göz at. Üretimde yapay zekâ veya otomotiv sektöründe bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.